2025年1月6日，一批来自学术界、制药和医疗保健领域的专家齐聚旧金山，讨论人工智能（AI）对改善人类健康的巨大影响及其在2025年及以后实施中面临的挑战。这次会议由丹纳赫公司（Danaher Corporation）举办，主题为“AI驱动的预测性研发：从承诺到实践”。
著名心脏病学家埃里克·托波尔博士（Eric Topol, MD）在会议的主旨演讲中引用了诺贝尔奖得主杰弗里·辛顿（Geoffrey Hinton）的话：“我总是以医学为例来说明人工智能的所有好处，因为几乎它能做的一切都将是好的。”作为推动医疗领域更广泛采用AI的倡导者，托波尔博士在主旨演讲中强调了AI在医疗领域的潜力，包括提高诊断准确性、自动化为临床医生节省时间，以及通过促进同理心改善医患关系。
每年约有800,000名美国人因诊断错误而死亡或永久受到影响。最新的证据表明，AI驱动的诊断可以提高乳腺癌筛查和结肠镜检查中腺瘤检测率。托波尔博士指出，尽管AI有其黑暗面，如虚假信息和误导，但我们需要建立信任以实现真正的实施。
丹纳赫公司全天峰会于2024年12月3日在旧金山举行，汇集了来自大型科技公司、学术界、药物发现、制药和医疗保健领域的杰出专家。他们讨论了AI如何通过优化药物发现管线和改善患者护理来提升人类健康。会议还展望了2025年及以后，探讨了AI实施中面临的挑战，如制定伦理准则、推动信任和采纳等。
斯坦福大学计算机科学系前教授、insitro公司首席执行官达芙妮·科勒博士（Daphne Koller, PhD）在她的主旨演讲中指出，AI革命并非突然发生，而是经历了数十年的技术转型。她强调，在指数增长的技术曲线上，技术进步只会随着时间的推移而加速。
2022年推出的ChatGPT标志着一个新AI时代的开始，利用大规模数据集进行通用应用。2024年底，至少有十种基础模型发布，包括用于解释和生成基因组序列的Evo、提供人体细胞3D图谱的“人类细胞图谱”，以及开放源代码发布的AlphaFold 3，该算法扩展了蛋白质结构预测，纳入了更广泛的分子相互作用。
2024年诺贝尔物理学奖授予约翰·霍普菲尔德（John Hopfield, PhD）和杰弗里·辛顿（Geoffrey Hinton, PhD），以表彰他们在神经网络方面的基础性发现，这些发现使现代机器学习成为可能。此外，AlphaFold背后的专家德米斯·哈萨比斯（Demis Hassabis, PhD）和约翰·詹帕（John Jumper, PhD）以及华盛顿大学的结构生物学家大卫·贝克（David Baker, PhD）共同获得了2024年诺贝尔化学奖，表彰他们在AI应用于蛋白质设计方面的工作。
丹纳赫公司的首席AI官马丁·施图姆普博士（Martin Stumpe, PhD）表示，成功的关键不在于AI本身，而在于AI和数字世界与物理世界的双向整合。虚拟细胞的概念提出了新的实际考虑，如如何定义问题、期望虚拟细胞具备哪些功能以及如何验证这些应用。
斯坦福大学副教授、位于瑞典斯德哥尔摩的KTH皇家理工学院人类蛋白质图谱联合主任艾玛·隆德伯格博士（Emma Lundberg, PhD）鼓励虚拟细胞社区战略性合作，确保全球协作框架，以创建协同效应。
麻省理工学院（MIT）杰出教授雷吉娜·巴尔齐莱博士（Regina Barzilay, PhD）研究AI算法在临床环境中的部署。她指出，许多其他行业存在的安全机制在AI中并不存在，这尤其令人担忧，因为我们正进入下一代工具时代，人类无法验证预测结果。“AI应该监控AI，这些技术仍需开发以确保我们能够安全地提供护理。”
在药物发现领域，AI数据的爆发式增长促使从文献中已知目标转向跨生物学的大规模搜索以寻找新目标，这一转变有望提高研发效率。诺华大学实验AI研究所执行主任乌萨马·法耶德博士（Usama Fayyad, PhD）表示：“你无法承受不采用AI的成本。这项技术提供了巨大的加速，如果你忽视它，竞争对手可能会彻底改变市场。”
Recursion公司是一家成立于2013年的AI药物发现公司，于去年10月宣布其新药REC-1245获得临床试验申请（IND）批准，这是一种用于治疗生物标志物富集的实体肿瘤和淋巴瘤的新化学实体。Recursion与英国Exscientia的合作于2024年11月获得批准，REC-1245是第一个使用该公司端到端AI平台的项目，从目标识别到临床前候选仅用了不到18个月的时间，几乎是行业平均水平的两倍。
尽管发现阶段的时间压缩有了初步成果，但临床成功率仍然仅为10%左右。Dayhoff实验室创始人、AlphaFold 1的创始DeepMind贡献者史蒂夫·克罗斯安（Steve Crossan）指出，此前的研究表明，临床中有70%的药物通过脱靶效应起作用，表明我们在实现靶向治疗机制方面仍有差距。
Recursion的首席研发官兼首席商务官纳贾特·汗博士（Najat Khan, PhD）强调了大数据在理解疾病生物学中的作用。她表示：“我们最多只了解10%-15%的生物学，还有很多未知。你可以将其视为一张有许多空白的地图，你需要生成数据以增加成功的几率。”
科勒博士认为，大多数失败源于早期决策过程中的选择不当。“我们在选择正确的治疗假设、正确的靶点和正确的患者群体方面表现不佳。”为了提高药物发现的成功率，她在insitro利用人类遗传学支持药物靶点，最近一项发表在《自然》杂志上的研究表明，具有遗传支持的药物机制成功概率是无遗传支持的2.6倍。
虽然药物发现管线不断推进，但汗博士敦促社区在保持势头的同时管理预期。“有很多炒作和尚未奏效的东西，很多人因此放弃。第一次就能成功吗？不会。如果成功率是10%，你不能期望100%的成功。”
克罗斯安补充道：“当你处于技术曲线的指数部分时，很容易忘记今天不起作用的东西明天就会起作用——真的是明天。”
总之，辛顿的话依然适用，随着AI在医疗保健领域的承诺继续提供越来越多的好处，行业将密切关注战略、期望和接受度的演变，以跟上技术的进步。
(全文结束)
